Uncertainty Quantification in Inverse Models in Hydrology

要約

水文学では、土壌地質学や地形学などの流域特性情報が限られているため、河川流量のモデリングは依然として困難な課題である。これらの特性は、測定誤差のためにノイジーであったり、完全に欠落していたりする可能性がある。この課題を克服するために、利用しやすい流況データと気象データから物理的特性を復元するための、知識誘導型の確率的逆モデリング手法を提案する。このフレームワークを、河川流域の特性を推定するための最新の逆モデルと比較する。また、これらの推定値は、元の流域特性値を使用するのとは対照的に、流況モデリングにおいて改善をもたらすことを示す。我々の逆モデルは、逆モデル（流域特性推定）においてR$^2$を3%改善し、順モデル（流況予測）においてR$^2$を6%改善する。また、我々のフレームワークは、インバースモデルとフォワードモデルの両方において不確実性を定量化できるため、説明可能性が向上する。不確実性の定量化は、モデル予測の信頼性と限界に関する追加的な洞察を提供することにより、機械学習モデルの説明可能性を向上させる上で極めて重要な役割を果たす。我々の分析では、不確実性推定値の品質を評価する。ベースラインの不確実性定量化手法と比較して、我々のフレームワークは、エピステミック不確実性の分散に10％の改善、カバレッジ率に13％の改善を提供する。この情報は、利害関係者が予測に関連する不確実性のレベルを理解し、潜在的な結果のより包括的な見方を提供するのに役立つ。

要約(オリジナル)

In hydrology, modeling streamflow remains a challenging task due to the limited availability of basin characteristics information such as soil geology and geomorphology. These characteristics may be noisy due to measurement errors or may be missing altogether. To overcome this challenge, we propose a knowledge-guided, probabilistic inverse modeling method for recovering physical characteristics from streamflow and weather data, which are more readily available. We compare our framework with state-of-the-art inverse models for estimating river basin characteristics. We also show that these estimates offer improvement in streamflow modeling as opposed to using the original basin characteristic values. Our inverse model offers 3\% improvement in R$^2$ for the inverse model (basin characteristic estimation) and 6\% for the forward model (streamflow prediction). Our framework also offers improved explainability since it can quantify uncertainty in both the inverse and the forward model. Uncertainty quantification plays a pivotal role in improving the explainability of machine learning models by providing additional insights into the reliability and limitations of model predictions. In our analysis, we assess the quality of the uncertainty estimates. Compared to baseline uncertainty quantification methods, our framework offers 10\% improvement in the dispersion of epistemic uncertainty and 13\% improvement in coverage rate. This information can help stakeholders understand the level of uncertainty associated with the predictions and provide a more comprehensive view of the potential outcomes.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL